Matstat Econometria Matan - pagina 2
Ti stai perdendo delle opportunità di trading:
- App di trading gratuite
- Oltre 8.000 segnali per il copy trading
- Notizie economiche per esplorare i mercati finanziari
Registrazione
Accedi
Accetti la politica del sito e le condizioni d’uso
Se non hai un account, registrati
Sì, questo è fondamentalmente quello che sto facendo come opzione più o meno buona.
Su un altro modello simile a volte osservo anche piccole divergenze, come la divergenza.
Ma non così prolungato come nello screenshot qui sopra, ma abbastanza breve. Mi sono chiesto perché succede così.
Ho provato questo modello e ho visto una divergenza ancora più prolungata.
Quindi non capisco da dove viene questa divergenza. Un modello non corretto o dati sorgente di bassa qualità.
Non capisco la logica delle azioni.
O dovrei aggiustare i dati iniziali approssimativamente al normale,
o dovrei spalare diversi modelli.
Ma provate a scrivere prima questo modello, non è così facile credere e buttarlo via ))
Modello inadeguato
Non riesco a capire la seguente anomalia, perché questo accade.
Ho calcolato un modello ortogonale, che dovrebbe essere migliore del MNC.
Ho ottenuto i coefficienti di partenza.
Poi i parametri del modello (coefficienti) sono aggiustati dall'algoritmo mediano, cioè una sorta di robustezza contro gli outlier.
Il modello descrive qualitativamente la serie iniziale.
Cos'è un modello "ortogonale"? Stai facendo una decomposizione su un sistema di funzioni ortogonali? Poi guardate a quale peso sono ortogonali - il comportamento anomalo può dipendere da questo. Per esempio, ai bordi del segmento di ortogonalità.
Cos'è un modello "ortogonale"?
Stai facendo una decomposizione su un sistema di funzioni ortogonali?
Poi guardate con quanto peso sono ortogonali - il comportamento anomalo può dipendere da questo.
Per esempio, ai bordi del segmento di ortogonalità.
No, non è una decomposizione di funzioni.
Si tratta di una regressione ortogonale, dove ad ogni passo del calcolo si calcola l'angolo di pendenza della normale (phi).
La normale è il segmento più corto tra una linea e un punto.
Poi la pendenza dell'angolo (phi) è usata per calcolare i coefficienti del modello.
Sistema di coordinate cartesiane
Adattamento ortogonale ANC in forma
Probabilmente sarà davvero necessario controllare i valori di questi angoli in luoghi anomali.
Si tratta di una regressione ortogonale, dove ad ogni passo di calcolo viene calcolato l'angolo di inclinazione della normale (phi).
Quindi chiamatelo con un nome umano invece di inventare nomi come MSRP o TLS.
E che senso ha se gli assi hanno dimensioni diverse?
Quindi chiamatelo con nomi umani invece di inventare nomi come INPC o TLS.
e che senso ha se gli assi sono di dimensioni diverse?
Di cosa stai parlando?
Regressione ortogonale, modello ortogonale, sei confuso?
Sì, è TLS, con una raffinatezza mediana.
Le cifre sono prese come esempio. Non sono rilevanti per il problema.
Gli assi nelle figure sono della stessa dimensione, è solo che la scala dei disegni è un po' diversa.
Non è fondamentale per capire l'ortogonalità.
Regressione ortogonale, modello ortogonale, sei confuso?
Sì, sono d'accordo, sbagliato.
No, non è una decomposizione di funzioni.
Si tratta di una regressione ortogonale, dove ad ogni passo del calcolo si calcola l'angolo di pendenza della normale (phi).
La normale è il segmento più corto tra una linea e un punto.
Poi la pendenza dell'angolo (phi) è usata per calcolare i coefficienti del modello.
Sistema di coordinate cartesiane
Adattamento ortogonale ANC in forma
Probabilmente sarà necessario controllare i valori di questi angoli nei luoghi anomali.
https://www.mql5.com/ru/forum/368720#comment_22203978, il fondo della figura è il luogo dove inizia la divergenza "anomala", è quasi un salto di rotta, dove la regressione (lineare o non lineare - sono tutte le stesse rappresentazioni di Y in funzione di x) si incasina, il disallineamento aumenta drammaticamente. E l'incongruenza dell'approssimazione dei polinomi trigonometrici e algebrici è proporzionale al modulo di continuità (per la disuguaglianza Jackson-Stechkin, vedi wiki "Modulus_continuity"). Proprietà di prossimità del comportamento della funzione a quello delle funzioni continue. Nel caso mostrato in questa figura, la controparte discreta del modulo di discontinuità aumenta bruscamente intorno allo zero.
Poi si cambiano i coefficienti nell'espansione (se lineare - Y è decomposto in due funzioni: Y1(x) = 1; Y2(x) = x con coefficienti a e b: Y(x)=a+bx) è già lento [continuo], con lo smoothing mediano. E i valori di questi coefficienti acquisiti sul salto non tornano di corsa ai valori che avrebbero avuto se la vostra metodologia iniziasse l'approssimazione da un punto qualsiasi dopo il salto, o se sostituite il salto con un movimento di rotta non così veloce verso lo stesso punto.
A proposito, sarebbe interessante vedere delle foto simili a quelle che date a https://www.mql5.com/ru/forum/368720/page2#comment_22207994 per il caso particolare in cui il corso è cambiato quasi a passi da gigante.
https://www.mql5.com/ru/forum/368720#comment_22203978, la parte inferiore della figura è il luogo dove inizia la divergenza "anormale", è al salto vicino al corso, dove la regressione (lineare o non lineare - sono tutte le stesse rappresentazioni di Y in funzione di x) si rovina, il disallineamento aumenta drammaticamente. E l'incongruenza dell'approssimazione dei polinomi trigonometrici e algebrici è proporzionale al modulo di continuità (per la disuguaglianza Jackson-Stechkin, vedi wiki "Modulus_continuity"). Proprietà di prossimità del comportamento della funzione a quello delle funzioni continue. Nel caso mostrato in questa figura, la controparte discreta del modulo di discontinuità aumenta bruscamente intorno allo zero.
Poi si cambiano i coefficienti nell'espansione (se lineare - Y è decomposto in due funzioni: Y1(x) = 1; Y2(x) = x con coefficienti a e b: Y(x)=a+bx) è già lento [continuo], con lo smoothing mediano. E i valori di questi coefficienti acquisiti sul salto non tornano di corsa ai valori che avrebbero avuto se la vostra metodologia iniziasse l'approssimazione da un punto qualsiasi dopo il salto, o se sostituite il salto con un movimento di rotta non così veloce verso lo stesso punto.
A proposito, sarebbe interessante vedere immagini simili a quelle che hai dato a https://www.mql5.com/ru/forum/368720/page2#comment_22207994 per il caso particolare in cui il corso è cambiato quasi di colpo.
Grazie per la tua spiegazione lucida e completa!
Sospettavo anche profondamente il disallineamento al momento di un salto, ma non ero in grado di formularlo correttamente.
Dato che lo smoothing mediano è davvero applicato, la memoria sul salto, a seconda della dimensione della finestra, è ancora lì.
Non ho ancora familiarizzato con lo scatter plot su mql5. Ancora in fase di apprendimento. Sarebbe interessante vedere anche questi grafici.
Non so quanto presto potrò mostrare il grafico, appena avrò capito le coordinate lo farò.
Senza smoothing mediano, sui coefficienti puri, sembra essere vero
ma poi si ottiene questo modello di recupero
Aggiunto.
Ho dimenticato di chiarire, i dati grezzi sono solo logaritmici senza trasformazione per ora, per rivelare le debolezze.
Incrementi logaritmici - non basta?
Lì c'è bisogno di una normalità multidimensionale. Non si può comprare così a buon mercato).